Disease spread in compartmental spaces: Markov and semi-Markov population models

Dans l'étude des maladies infectieuses, les scientifiques s'appuient depuis longtemps sur des modèles mathématiques pour prédire comment une maladie se propage au sein d'une population. Les approches traditionnelles supposent souvent que les gens se mélangent de manière aléatoire, comme des gouttes d'encre tourbillonnant dans un verre d'eau, où chaque individu a une chance égale de rencontrer n'importe quel autre individu. Cependant, le monde réel est bien plus structuré. Les gens circulent à travers des environnements spécifiques — bureaux, écoles, hôpitaux et centres commerciaux — passant des durées différentes dans différentes pièces et n'interagissant qu'avec un sous-ensemble des personnes présentes autour d'eux. Cette organisation spatiale, combinée au fait que les gens entrent et sortent constamment de ces espaces, crée un réseau de contacts complexe que les modèles simples ignorent souvent. Comprendre comment la maladie se propage dans ces espaces clos et compartimentés est crucial pour concevoir des stratégies de santé publique efficaces, surtout lorsque la ventilation et l'air partagé jouent un rôle important dans la transmission.

Une équipe de chercheurs du Mexique a développé une nouvelle façon de modéliser cette complexité, allant au-delà de l'hypothèse du mélange aléatoire pour créer un cadre qui tient compte de la disposition spécifique d'un bâtiment et du mouvement des personnes à l'intérieur de celui-ci. Leurs travaux, publiés dans un article de recherche, introduisent deux approches mathématiques complémentaires pour suivre la propagation d'une infection à travers un réseau de pièces connectées. La première approche traite l'environnement comme un système fermé, où un nombre fixe de personnes circule entre les pièces sans que personne n'entre ou ne sorte. La seconde approche, plus flexible, traite l'environnement comme un système ouvert, permettant aux gens d'arriver de l'extérieur et de partir à tout moment, tout en tenant compte du fait que les gens ne passent pas le même laps de temps dans chaque pièce. En combinant ces modèles de mouvement avec un mécanisme spécifique de contraction de la maladie, les chercheurs ont pu calculer le nombre attendu de personnes saines, de porteurs et d'individus infectés à n'importe quel moment donné.

Les chercheurs ont divisé la population en trois groupes distincts pour mieux comprendre le flux d'infection. Le premier groupe est constitué d'individus susceptibles, qui sont sains mais peuvent contracter la maladie. Le second groupe comprend des porteurs, qui hébergent déjà l'agent infectieux et peuvent le transmettre à d'autres. Le troisième groupe inclut ceux qui sont devenus infectés pendant leur temps dans le système. Une caractéristique clé de ce modèle est qu'il distingue les porteurs des nouveaux individus infectés. Les chercheurs ont supposé qu'une fois qu'une personne est infectée au sein du système, elle ne devient pas immédiatement contagieuse elle-même ; au lieu de cela, elle reste dans la catégorie « infectée » sans propager la maladie davantage pendant le temps où elle est observée. Cette distinction permet au modèle de se concentrer spécifiquement sur le moment de la transmission d'un porteur vers une personne susceptible, plutôt que sur une réaction en chaîne d'infections secondaires.

Pour simuler le mouvement des personnes, les chercheurs ont utilisé deux outils mathématiques différents. Dans le premier scénario, ils ont modélisé un bâtiment fermé où le nombre total de personnes reste constant. Les gens passent d'une pièce à l'autre en fonction de probabilités fixes, un peu comme dans un jeu où un joueur lance un dé pour décider de la prochaine pièce qu'il va entrer. Dans ce système fermé, les chercheurs ont constaté qu'ils pouvaient prédire avec précision le nombre moyen de personnes dans chaque pièce et comment l'infection se propageait au fil du temps. Ils ont vérifié ces prédictions en effectuant des simulations informatiques avec des milliers de personnes virtuelles. Les résultats ont montré qu'à mesure que le nombre de personnes dans la simulation augmentait, les résultats réels correspondaient presque parfaitement aux prédictions mathématiques, confirmant que leurs formules pour le comportement moyen de la population étaient correctes.

Le second scénario traitait de la réalité que la plupart des bâtiments ne sont pas des systèmes fermés. Les gens entrent par des portes et sortent par des issues, et le temps qu'ils passent dans une pièce varie considérablement. Pour capturer cela, les chercheurs ont utilisé un modèle semi-markovien, qui permet des schémas de mouvement plus réalistes. Dans ce cadre, le temps qu'une personne passe dans une pièce n'est pas fixé à une moyenne standard ; il peut suivre n'importe quelle distribution, reflétant le fait qu'une personne peut s'attarder dans une salle d'attente pendant une heure mais traverser un couloir en quelques secondes. Ce modèle inclut également des « états absorbants », qui représentent le monde extérieur. Une fois qu'une personne atteint un état absorbant, elle a quitté le système et ne reviendra pas. Cette configuration a permis aux chercheurs de calculer non seulement combien de personnes se trouvent à l'intérieur, mais aussi combien de temps elles restent et combien partent en étant saines, porteuses du virus ou déjà infectées.

Les chercheurs ont appliqué leur modèle ouvert à un exemple spécifique impliquant une installation avec deux pièces et deux entrées et sorties. Ils ont simulé l'arrivée de personnes saines et de porteurs en utilisant une distribution statistique standard pour les arrivées aléatoires. En effectuant ces simulations, ils ont pu déterminer les nombres à l'état stationnaire de personnes quittant le bâtiment dans chaque catégorie de santé. Leurs conclusions ont révélé une relation claire entre le flux de personnes et la propagation de la maladie. À mesure que le nombre de porteurs entrant dans le système augmentait, le nombre de personnes saines quittant le système diminuait, indiquant que davantage d'infections se produisaient à l'intérieur. Inversement, le nombre de personnes quittant le système avec l'infection augmentait à mesure que le taux d'entrées infectées augmentait.

Une découverte particulièrement intéressante est apparue lorsque les chercheurs ont comparé une installation avec une seule entrée et sortie à une autre avec plusieurs entrées et sorties. Ils ont découvert que la configuration du bâtiment influençait considérablement le résultat. Dans le modèle avec une seule entrée et sortie, le nombre de personnes saines quittant le système était plus faible, et le nombre de personnes infectées quittant le système était plus élevé, par rapport au modèle avec plusieurs points d'entrée et de sortie. Cela suggère que le fait d'avoir plus de moyens d'entrer et de sortir d'un espace, ce qui pourrait sembler contre-intuitif, pourrait en fait réduire le nombre global d'infections en modifiant les schémas de mouvement et en réduant le temps que les gens passent en contact étroit avec les porteurs.

L'étude conclut qu'en intégrant la structure physique d'un espace avec le mouvement des personnes et la mécanique de transmission de la maladie, il est possible de créer une image beaucoup plus précise de l'évolution d'une épidémie. Les expressions mathématiques dérivées par les chercheurs offrent un moyen de calculer le nombre attendu de personnes susceptibles, de porteurs et d'infectés à n'importe quel moment donné. Ces outils peuvent aider les responsables de la santé publique et les décideurs politiques à comprendre quelles parties d'un bâtiment ou quels schémas de mouvement présentent le plus grand risque. Bien que le travail actuel se concentre sur le cadre théorique et les simulations, les auteurs suggèrent que ces modèles pourraient éventuellement être appliqués à des environnements réels, en utilisant des données réelles sur la façon dont les gens se déplacent pour concevoir de meilleures interventions et réduire la propagation des maladies infectieuses dans des espaces complexes et structurés.